[论文解读] Group Sparsity Residual Constraint for Image Denoising

Zhiyuan Zha, Xinggan Zhang+3 more|arXiv (Cornell University)|Mar 1, 2017

Image and Signal Denoising Methods参考文献 48被引用 9

一句话总结

本文提出了一种新型图像去噪方法——组稀疏残差约束（GSRC），该方法结合了从噪声图像和预滤波图像中提取的非局部自相似性（NSS）先验，以减少组稀疏残差。通过预滤波估计干净图像的稀疏系数，并利用迭代收缩算法最小化噪声与估计系数之间的残差，GSRC在保持较高处理速度的同时，实现了当前最优的PSNR和SSIM性能。

ABSTRACT

Group-based sparse representation has shown great potential in image denoising. However, most existing methods only consider the nonlocal self-similarity (NSS) prior of noisy input image. That is, the similar patches are collected only from degraded input, which makes the quality of image denoising largely depend on the input itself. However, such methods often suffer from a common drawback that the denoising performance may degrade quickly with increasing noise levels. In this paper we propose a new prior model, called group sparsity residual constraint (GSRC). Unlike the conventional group-based sparse representation denoising methods, two kinds of prior, namely, the NSS priors of noisy and pre-filtered images, are used in GSRC. In particular, we integrate these two NSS priors through the mechanism of sparsity residual, and thus, the task of image denoising is converted to the problem of reducing the group sparsity residual. To this end, we first obtain a good estimation of the group sparse coefficients of the original image by pre-filtering, and then the group sparse coefficients of the noisy image are used to approximate this estimation. To improve the accuracy of the nonlocal similar patch selection, an adaptive patch search scheme is designed. Furthermore, to fuse these two NSS prior better, an effective iterative shrinkage algorithm is developed to solve the proposed GSRC model. Experimental results demonstrate that the proposed GSRC modeling outperforms many state-of-the-art denoising methods in terms of the objective and the perceptual metrics.

研究动机与目标

• 解决现有基于组的稀疏表示方法仅依赖于噪声图像NSS先验的局限性，此类方法在高噪声水平下性能下降。
• 通过引入来自预滤波图像的先验，改善对干净图像组稀疏结构的估计，从而提升去噪性能。
• 通过引入组稀疏残差项来降低对噪声输入质量的依赖，该残差项用于度量噪声与干净稀疏系数之间的差异。
• 通过自适应块搜索方案提升非局部相似块选择的准确性。
• 开发一种高效的迭代收缩算法，以有效融合双重NSS先验，实现鲁棒的去噪效果。

提出的方法

• 提出组稀疏残差（GSR）作为噪声图像与估计干净图像组稀疏系数之间的差异，将去噪问题建模为GSR最小化问题。
• 利用预滤波（如BM3D或EPLL）生成干净图像组稀疏系数的高质量估计。
• 通过GSR机制整合来自噪声图像和预滤波图像的双重NSS先验，以提升鲁棒性与准确性。
• 设计一种自适应块搜索（APS）方案，通过根据局部图像内容动态调整搜索窗口，提升非局部相似块选择的准确性。
• 开发一种迭代收缩算法，以求解GSRC优化问题，实现高效且稳定的收敛。
• 将GSRC模型应用于BM3D和EPLL框架中（即GSRC-BM3D和GSRC-EPLL），以在不同去噪流程中验证性能。

实验结果

研究问题

• RQ1 结合来自噪声图像和预滤波图像的NSS先验，是否能实现优于仅依赖噪声图像先验的方法的去噪性能？
• RQ2 最小化噪声与估计干净系数之间的组稀疏残差，是否能有效提升边缘保持能力并抑制伪影？
• RQ3 在高噪声场景下，所提出的自适应块搜索方案是否能显著提升非局部相似块选择的准确性？
• RQ4 所提出的迭代收缩算法是否能有效求解GSRC模型，并实现快速收敛与低计算成本？
• RQ5 GSRC框架是否在实现当前最优PSNR与SSIM指标的同时，仍保持具有竞争力的处理速度？

主要发现

• 在σ=75的House图像上，GSRC-BM3D实现了28.48 dB的PSNR和0.7992的SSIM，优于WNNM（28.25 dB，0.7883）和AST-NLS（28.06 dB，0.7720）。
• 在House图像上，GSRC-EPLL实现了28.53 dB的PSNR和0.7998的SSIM，超越了所有对比方法，包括BM3D和WNNM。
• 在σ=50的130066图像上，GSRC-BM3D实现了26.69 dB的PSNR和0.7937的SSIM，优于MS-EPLL（25.67 dB，0.7833）和AST-NLS（26.27 dB，0.7715）。
• 在σ=100的223004图像上，GSRC-BM3D实现了24.70 dB的PSNR和0.7182的SSIM，显著优于NCSR（23.73 dB，0.6882）和GID（22.66 dB，0.5997）。
• 所提出的自适应块搜索（APS）方案在12张测试图像上平均提升了0.3–0.5 dB的PSNR，优于无APS基线。
• GSRC在12张图像上平均仅需72秒（使用BM3D预滤波）和148秒（使用EPLL预滤波），在速度效率上优于NCSR（348秒）、AST-NLS（459秒）和WNNM（202秒）。